1、参数解读
C 的作用类似于 1/λ，当 C 不是非常非常大的时候，它可以忽略掉一些异常点的影响，得到更好的决策界
C=1/λ，因此：
- C 较大时，相当于 λ 较小，可能会导致过拟合，高方差。
- C 较小时，相当于 λ 较大，可能会导致低拟合，高偏差
支持向量机也可以不使用核函数，不使用核函数又称为线性核函数（linear kernel），当我们不采用非常复杂的函数，或者我们的训练集特征非常多而实例非常少的时候，可以采用这种不带核函数的支持向量机。
下面是支持向量机的两个参数 C 和 σ 的影响：
- C=1/λ
- C 较大时，相当于 λ 较小，可能会导致过拟合，高方差；
- C 较小时，相当于 λ 较大，可能会导致低拟合，高偏差；
- σ 较大时，可能会导致低方差，高偏差；
- σ 较小时，可能会导致低偏差，高方差。
2、一些普遍使用的准则：
n 为特征数，m 为训练样本数。
- 如果相较于 m 而言，n 要大许多，即训练集数据量不够支持我们训练一个复杂的非线性模型，我们选用逻辑回归模型或者不带核函数的支持向量机。
- 如果 n 较小，而且 m 大小中等，例如 n 在 1-1000 之间，而 m 在 10-10000 之间，使用高斯核函数的支持向量机。
- 如果 n 较小，而 m 较大，例如 n 在 1-1000 之间，而 m 大于 50000，则使用支持向量机会非常慢，解决方案是创造、增加更多的特征，然后使用逻辑回归或不带核函数的支持向量机。
神经网络在以上三种情况下都可能会有较好的表现，但是训练神经网络可能非常慢，选择支持向量机的原因主要在于它的代价函数是凸函数，不存在局部最小值。
